CN110866442B - 基于实时人脸识别的人证合一查验***和方法 - Google Patents
基于实时人脸识别的人证合一查验***和方法 Download PDFInfo
- Publication number
- CN110866442B CN110866442B CN201910944252.2A CN201910944252A CN110866442B CN 110866442 B CN110866442 B CN 110866442B CN 201910944252 A CN201910944252 A CN 201910944252A CN 110866442 B CN110866442 B CN 110866442B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- face image
- dimensional face
- face
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 35
- 238000007689 inspection Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims description 48
- 238000005259 measurement Methods 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 5
- 230000014509 gene expression Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 14
- 230000036544 posture Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 235000014676 Phragmites communis Nutrition 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了基于实时人脸识别的人证合一查验***,该***预先采集并录入三维人脸图像,并在人证查验时以三维人脸图像作为依据进行查验,由于三维人脸图像能够体现出人脸深度,能够提高了人脸图像对光照、姿态、表情、遮挡、拍摄角度变化的适应性,使得人脸伪造、视频伪造变得更为困难,因此利用三维人脸图像能够体现出人脸深度的这一特性,以三维人脸图像作为依据进行人证查验,提高了查验***查验质量和准确率。
Description
技术领域
本申请涉及身份验证技术领域,特别涉及基于实时人脸识别的人证合一查验***和方法。
背景技术
在办理金融业务、乘机乘车、海关通行等事务时候,一般要查验身份证、护照等有效证件,并核对持证人是否是本人。二代身份证和新版护照内都内置了身份标识芯片,在人证合一查验时读取身份标识芯片里面的身份标识,可以向身份数据库中查询该身份标识对应的登记人脸照片,与持证人进行比对。
过去主要是人工比对,而现在则是拍摄持证人的实时视频画面,利用人脸识别技术进行自动比对,速度更快、准确率更高。
目前二代身份证和新版护照的身份数据库中登记的人脸照片都是二维人脸照片,查验过程中也是拍摄持证人的二维实时视频画面进行比对识别。
虽然基于二维图像的人脸识别技术已经在一定程度上取得了较好的识别效率,但是其本质终究是三维人脸模型在二维空间中的简约投影,所提取到的模型中蕴含的信息量大大降低,所以在所提取到的人脸模型受到表情、姿态、光照等因素影响时,二维人脸识别***的识别率可能会大大降低,影响到识别正确率和识别效率
发明内容
(一)申请目的
基于此,为了提高身份查验时的识别正确率和识别效率,消除光照、姿态、表情、遮挡、拍摄角度等方面为人脸识别的识别正确率产生的影响,提高人脸伪造、视频伪造的难度,最终提高查验质量和准确率,本申请公开了以下技术方案。
(二)技术方案
一方面,本申请提供了一种基于实时人脸识别的人证合一查验***,包括:
证件读取器,用于读取持证人所持证件包含的身份信息并进行识别,依据识别结果从身份数据库中提取出预先登记的二维人脸图像;
视频信息采集设备,用于实时采集持证人的三维人脸视频画面,所述三维人脸视频画面包括二维人脸视频画面以及相应的人脸深度信息;
二维图像比对模块,用于将所述采集的二维人脸视频画面和所述预先登记的二维人脸图像进行比对;
三维人脸登记模块,用于在二维图像比对结果表明两者符合匹配条件的情况下,基于所述预先登记的二维人脸图像以及相应的人脸深度信息生成三维人脸图像并进行登记;
三维人脸查验模块,用于在对持证人进行查验时,依据证件读取器对读取到身份信息进行识别得到的识别结果从身份数据库中提取出相应的三维人脸图像,并将该三维人脸图像与查验时视频信息采集设备采集的持证人的三维人脸视频画面进行比对,依据三维图像比对结果判断持证人是否为证件所有者。
在一种可能的实施方式中,所述二维图像比对模块包括:
目标提取单元,用于在将所述采集的二维人脸视频画面和所述预先登记的二维人脸图像进行比对之前,从所述采集的二维人脸视频画面中提取出人脸框面积最大的人脸画面作为比对的目标图像。
在一种可能的实施方式中,所述二维图像比对模块分别从所述采集的二维人脸视频画面和所述预先登记的二维人脸图像中的提取具有面部代表性的特征点,并通过所述特征点的匹配,进行所述二维人脸视频画面和所述二维人脸图像之间的配准;并且,
所述三维人脸登记模块根据所述配准后所述二维人脸视频画面和所述二维人脸图像之间的特征点对应关系,将所述人脸深度信息对应到所述二维人脸图像上,从而将身份数据库中登记的所述二维人脸图像补录为所述三维人脸图像。
在一种可能的实施方式中,所述三维人脸查验模块包括:
降维映射单元,用于基于里奇曲率流将所述三维人脸图像的人脸模型共形映射到二维平面圆形区域得到第一人脸图像,以及将所述三维人脸视频画面的人脸模型共形映射到二维平面圆形区域得到第二人脸图像;
能量值提取单元,用于分别算出所述第一人脸图像和所述第二人脸图像的平面模型中每个三角网格顶点在共形计算中产生的能量值,进而得到每个三角网格顶点的多个能量值中的能量最小值;
卡方统计单元,用于依据所述第一人脸图像和所述第二人脸图像各顶点的能量最小值生成能量特征直方图,通过计算并比较所述能量特征直方图的卡方统计量,来判断所述第一人脸图像和所述第二人脸图像的相似度,进而得到所述比对结果。
在一种可能的实施方式中,所述降维映射单元包括:
半径计算子单元,用于依据人脸曲面的初始三角网格的边长以及每个所述三角网格的顶点计算初始黎曼度量半径;
反转距离计算子单元,用于依据所述初始黎曼度量半径以及对应三角网格的边长计算每个网格边的反转距离;
曲率计算子单元,用于依据所述反转距离计算所述三角网格的内角,并依据所述内角计算每个顶点的离散高斯曲率;
度量长度计算子单元,用于依据初始高斯曲率以及目标曲率之间的差值调整圆的半径,进而依据新的圆半径、相邻点圆半径和该两圆心所在边的反转距离算出当前三角网格度量的边长,并算出各顶点的角度;
遍历子单元,用于控制上述各子单元对人脸曲面上所有顶点进行遍历,得到与三维人脸模型中的三角网格度量共形等价的平面度量,并将平面度量按照三角网格边角关系嵌入二维平面圆形区域中,得到经过共形映射后的人脸图像。
在一种可能的实施方式中,所述能量值提取单元为算出的所述三角网格顶点的能量值进行编码并分别分配权值,依据权值以及不同的编码顺序算出所述三角网格顶点的多个初始顶点能量值,以所述多个初始顶点能量值中的最小值作为所述三角网格顶点的能量最小值。
另一方面,本申请还提供了一种基于实时人脸识别的人证合一查验方法,包括:
读取持证人所持证件包含的身份信息并进行识别,依据识别结果从身份数据库中提取出预先登记的二维人脸图像;
实时采集持证人的三维人脸视频画面,所述三维人脸视频画面包括二维人脸视频画面以及相应的人脸深度信息;
将所述采集的二维人脸视频画面和所述预先登记的二维人脸图像进行比对;
在二维图像比对结果表明两者符合匹配条件的情况下,基于所述预先登记的二维人脸图像以及相应的人脸深度信息生成三维人脸图像并进行登记;
在对持证人进行查验时,依据对读取到身份信息进行识别得到的识别结果从身份数据库中提取出相应的三维人脸图像,并将该三维人脸图像与查验时采集的持证人的三维人脸视频画面进行比对,依据三维图像比对结果判断持证人是否为证件所有者。
在一种可能的实施方式中,在将所述采集的二维人脸视频画面和所述预先登记的二维人脸图像进行比对之前,从所述采集的二维人脸视频画面中提取出人脸框面积最大的人脸画面作为比对的目标图像。
在一种可能的实施方式中,所述将所述采集的二维人脸视频画面和所述预先登记的二维人脸图像进行比对包括:分别从所述采集的二维人脸视频画面和所述预先登记的二维人脸图像中的提取具有面部代表性的特征点,并通过所述特征点的匹配,进行所述二维人脸视频画面和所述二维人脸图像之间的配准;
并且,所述基于所述预先登记的二维人脸图像以及相应的人脸深度信息生成三维人脸图像并进行登记包括:根据所述配准后所述二维人脸视频画面和所述二维人脸图像之间的特征点对应关系,将所述人脸深度信息对应到所述二维人脸图像上,从而将身份数据库中登记的所述二维人脸图像补录为所述三维人脸图像。
在一种可能的实施方式中,所述将三维人脸图像与查验时采集的持证人的三维人脸视频画面进行比对包括:
基于里奇曲率流将所述三维人脸图像的人脸模型共形映射到二维平面圆形区域得到第一人脸图像,以及将所述三维人脸视频画面的人脸模型共形映射到二维平面圆形区域得到第二人脸图像;
分别算出所述第一人脸图像和所述第二人脸图像的平面模型中每个三角网格顶点在共形计算中产生的能量值,进而得到每个三角网格顶点的多个能量值中的能量最小值;
依据所述第一人脸图像和所述第二人脸图像各顶点的能量最小值生成能量特征直方图,通过计算并比较所述能量特征直方图的卡方统计量,来判断所述第一人脸图像和所述第二人脸图像的相似度,进而得到所述比对结果。
在一种可能的实施方式中,基于里奇曲率流将人脸图像的人脸模型共形映射到二维平面圆形区域包括:
依据人脸曲面的初始三角网格的边长以及每个所述三角网格的顶点计算初始黎曼度量半径;
依据所述初始黎曼度量半径以及对应三角网格的边长计算每个网格边的反转距离;
依据所述反转距离计算所述三角网格的内角,并依据所述内角计算每个顶点的离散高斯曲率;
依据初始高斯曲率以及目标曲率之间的差值调整圆的半径,进而依据新的圆半径、相邻点圆半径和该两圆心所在边的反转距离算出当前三角网格度量的边长,并算出各顶点的角度;
控制上述各子单元对人脸曲面上所有顶点进行遍历,得到与三维人脸模型中的三角网格度量共形等价的平面度量,并将平面度量按照三角网格边角关系嵌入二维平面圆形区域中,得到经过共形映射后的人脸图像。
在一种可能的实施方式中,所述得到每个三角网格顶点的多个能量值中的能量最小值包括:
为算出的所述三角网格顶点的能量值进行编码并分别分配权值,依据权值以及不同的编码顺序算出所述三角网格顶点的多个初始顶点能量值,以所述多个初始顶点能量值中的最小值作为所述三角网格顶点的能量最小值。
(三)有益效果
本申请公开的基于实时人脸识别的人证合一查验***和方法,预先采集并录入三维人脸图像,并在人证查验时以三维人脸图像作为依据进行查验,由于三维人脸图像能够体现出人脸深度,能够提高了人脸图像对光照、姿态、表情、遮挡、拍摄角度变化的适应性,使得人脸伪造、视频伪造变得更为困难,因此利用三维人脸图像能够体现出人脸深度的这一特性,以三维人脸图像作为依据进行人证查验,提高了查验***查验质量和准确率。
附图说明
以下参考附图描述的实施例是示例性的,旨在用于解释和说明本申请,而不能理解为对本申请的保护范围的限制。
图1是本申请公开的人证合一查验***实施例的结构框图。
图2是本申请公开的人证合一查验方法实施例的流程示意图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。
下面参考图1详细描述本申请公开的人证合一查验***实施例。如图1所示,本实施例公开的查验***主要包括有:证件读取器、视频信息采集设备、二维图像提取模块、二维图像比对模块、三维人脸登记模块和三维人脸查验模块。
证件读取器用于读取持证人所持证件包含的身份信息并进行识别,依据识别结果从身份数据库中提取出预先登记的二维人脸图像。
证件读取器能够读取身份证中内置的非接触式IC卡芯片内存有的身份信息,或读取电子护照中内嵌的微小射频识别非接触式芯片内存有的能够用于身份识别的信息。身份证和电子护照存有的身份信息可以包括姓名、性别、出生日期、身份证号等。在查验持证人所持证件中包含的个人身份信息时,可以将持证人的身份证放至证件读取器的读卡区,即可读取出该身份证包含的身份信息。
读取出持证人的身份信息后,证件读取器在预先建立的存有各人身份信息的身份数据库中进行搜索,提取出与该身份证对应人员的信息,提取出的信息中会包括有预先采集的二维人脸图像,例如可以是身份证所有者的证件照。
其中,预先登记或预先采集,可以指的是将二维人脸图像录入保存到相应的身份数据库中。预先采集的二维人脸图像在后文中可以称为第一人脸图像。
视频信息采集设备用于实时采集持证人的三维人脸视频画面,三维人脸视频画面包括二维人脸视频画面以及相应的人脸深度信息。
由于本实施例的***是人证合一查验***,因此在查验持证人身份是否正确时,还会通过视频信息采集设备采集持证人的人脸信息。而不同于现有的查验过程的是,本***的视频信息采集设备是三维人脸视频采集器,其采集的是持证人的三维人脸视频画面。三维人脸视频画面中包括的二维人脸视频画面在后文中可以称为第二人脸图像,二维人脸视频画面主要包含人脸图像,甚至是经过图像处理之后的只包含人脸图像的画面。
三维人脸数据和二维人脸数据相比具有以下几个优势:
1、三维数据因不包含亮度信息而完全不受光照变化的影响,真实三维人脸数据因同时具有几何和深度信息而受姿态的影响远小于二维图像;
2、因人脸本质上是一个三维非刚性物体,相较于二维人脸图像,三维人脸几何解剖结构具有一定的稳定性和鲁棒性,个体间具有一定的独立性;
3、在防伪性能上因为数据表现方式远丰富于二维信息,使得造假的时间和经济代价远高于二维.能有效克服照片、化妆、视频等欺骗手段。
具体的,该采集设备可以采用结构光原理,其包括监控摄像头、红外结构光发射器以及红外摄像头,监控摄像头采集二维人脸视频画面,红外结构光发射器将若干光点投射到持证人头部,红外摄像头读取点阵图案并捕捉到红外图像,采集到对应的深度信息。该采集设备也可以采用三维扫描仪,例如采用TOF(TimeOfFlight)相机,持续向持证人头部发射面光源,并通过记录的反射光达到接收器的时间计算出距离信息,得到深度信息。
二维图像比对模块用于将视频信息采集设备采集的三维人脸视频画面中包含的二维人脸视频画面和证件读取器提取出的预先登记的二维人脸图像进行比对。
与已有的查验过程相比,本实施例中的二维图像比对模块对采集的图像与登记的图像进行对比以判断持证人的照片是否与证件(身份证)相符,其目的不只是用于判断持证人是否是证件所有人,并且还以判断结果作为持证人能否登记三维人脸图像的依据。
三维人脸登记模块用于在二维图像比对模块的二维图像比对结果表明二维人脸视频画面和二维人脸图像符合匹配条件(也就是两者匹配)的情况下,基于上述证件读取器提取出的预先登记的二维人脸图像以及视频信息采集设备采集的人脸深度信息生成三维人脸图像,并对生成的三维人脸图像进行登记,作为该人员之后进行人脸查验的模板。
二维图像比对模块通过二维图像判定持证人即为证件所有人时,表明该持证人能够进行三维人脸图像的登记,以用于之后查验时的三维人脸识别。由于二维人脸图像(第一人脸图像)为预先登记的人脸图像,因此以二维人脸图像作为生成三维人脸图像的基础。并且由于视频信息采集设备当前采集到的二维人脸视频画面(第二人脸图像)能够与二维人脸图像匹配,因此视频信息采集设备采集的相应人脸深度信息也与二维人脸图像能够相适配。因此将人脸深度信息叠加到二维人脸图像(第一人脸图像)上,形成三维人脸图像或三维人脸特征数据。
通过二维图像比对模块的对比,确保了形成的三维人脸图像为证件所有者的正确三维图像,并且三维图像中还包含了人脸的深度信息。在预先经过二维图像比对模块确保持证人真实正确的情况下,通过三维人脸登记模块对正确的持证人的三维人脸图像进行采集和登记,并录入到身份数据库中,实现三维人脸的补录。
三维人脸查验模块用于在对持证人进行查验时,依据证件读取器对读取到身份信息进行识别得到的识别结果从身份数据库中提取出相应的三维人脸图像,并将该三维人脸图像与查验时视频信息采集设备采集的持证人的三维人脸视频画面进行比对,依据三维图像比对结果判断持证人是否为证件所有者。
在三维人脸补录之后,再次进行人员身份查验过程中:通过证件读取器读取并识别持证人身份信息,然后提取出与证件所包含身份信息相对应的三维人脸图像,并且还通过视频信息采集设备采集持证人的三维人脸视频画面,然后将两者进行比对。若比对结果表明两者相符,则表明持证人与所持证件身份一致,否则不一致。
本实施例公开的查验***,预先采集并录入三维人脸图像,并在人证查验时以三维人脸图像作为依据进行查验,由于三维人脸图像能够体现出人脸深度,能够提高了人脸图像对光照、姿态、表情、遮挡、拍摄角度变化的适应性,使得人脸伪造、视频伪造变得更为困难,因此利用三维人脸图像能够体现出人脸深度的这一特性,以三维人脸图像作为依据进行人证查验,提高了查验***查验质量和准确率。
由于视频信息采集设备采集到的视频画面中可能会出现多张人脸,因此为了实现人脸的一对一比对,在一种实施方式中,二维图像比对模块包括目标提取单元,用于在将采集的二维人脸视频画面和预先登记的二维人脸图像进行比对之前,从采集的二维人脸视频画面中提取出人脸框面积最大的人脸画面作为比对的目标图像。
在一种实施方式中,二维图像比对模块分别从采集的二维人脸视频画面和预先登记的二维人脸图像中的提取具有面部代表性的特征点,并通过特征点的匹配,进行二维人脸视频画面和二维人脸图像之间的配准。
图像配准的方式可以采用基于灰度信息法、变换域法或基于特征法等方法。例如:首先对两幅图像进行特征提取得到特征点;通过进行相似性度量找到匹配的特征点对;然后通过匹配的特征点对得到图像空间坐标变换参数;最后由坐标变换参数进行图像配准。图像配准可以采用基于灰度信息法、变换域法或基于特征法等方法。
另外,三维人脸登记模块根据配准后二维人脸视频画面和二维人脸图像之间的特征点对应关系,将人脸深度信息对应到二维人脸图像上,从而将身份数据库中登记的二维人脸图像补录为三维人脸图像。
随着图像采集技术的发展,三维人脸数据的获取变得愈发便捷,但三维人脸数据之中所蕴含的庞大数据量在一定程度上会降低人脸识别***的运行效率。如何将三维人脸数据模型中人脸曲面的几何信息在映射过程中尽可能的保留下来,同时在二维空间使用较为成熟的识别方法成为目前亟待解决的问题。因此在一种实施方式中,三维人脸查验模块包括:降维映射单元、能量值提取单元和卡方统计单元。
视频信息采集设备采集的三维人脸视频画面,以及身份数据库中登记的三维人脸图像,均为三维人脸曲面模型,而三维人脸模型数据包含三维人脸曲面中各点在三维空间坐标中的坐标信息、相应序列点所组成的三角面片的信息、对应模型二维纹理贴图的坐标信息、以及面片信息对应的纹理点。
降维映射单元用于基于里奇曲率流将三维人脸图像的人脸模型共形映射到二维平面圆形区域得到第一人脸图像,以及将三维人脸视频画面的人脸模型共形映射到二维平面圆形区域得到第二人脸图像,也就是计算与原有曲面共形等价的二维平面。
里奇曲率(Ricci curvature)是n维黎曼流形的n-1个截面曲率的和。里奇曲率流的本质是将曲面各点的黎曼度量变形的过程,其变形程度由曲面各点上始末高斯曲率的差值所决定,使得曲面各点的高斯曲率在反应-扩散方程的控制下随时间推移均匀转化至曲面各点,使最后曲面上的曲率处处为一个常数。
三维人脸曲面模型的几何信息中包含有模型中各点的曲率信息,因此需要先通过降维映射单元将三维人脸模型共形映射至二维,然后再进行人脸识别,以提高识别正确率和识别的运行效率。
共形几何实质上为曲面之间在变换或是映射时的内蕴不变量,其映射过程在数学上等价于从曲面的某一邻域到另一曲面或平面的某一邻域的一个光滑双射,其参数化过程不可避免的会带来一定程度的畸变:角度畸变与面积畸变。其中,角度没有发生畸变的映射被称为共形映射或保角映射,也就是降维映射单元所起到的作用。
具体的,现有的降维算法在降维的过程中难免会造成人脸曲面的几何信息在一定程度上的丢失,因此为了解决该问题,在一种实施方式中,降维映射单元包括:半径计算子单元、反转距离计算子单元、曲率计算子单元、度量长度计算子单元和遍历子单元。
由于在人脸姿态正常情况下,人脸曲面模型的鼻尖点为整个模型的最高点,因此在建立三维人脸模型的空间直角坐标系时,选取人脸曲面中两点连线最长的两条线段所在的平面作为XOY平面所在平面,并通过分析提取最大Z值,得到人脸模型的鼻尖点坐标。设鼻尖点为P,以P点为起点,输入Ricci曲率流算法计算过程之中,将三维人脸模型共形映射至二维平面圆盘。
假设有三角网格M=(V,E,F),其中V是三角网格中所有顶点的集合,E是三角网格中所有边的集合,F是三角网格中所有面的集合,vi是集合V中第i个顶点,eij是连接顶点vi和vj的边,fijk为顶点vi、vj、vk所形成的面。
半径计算子单元用于依据人脸曲面的初始三角网格的边长以及每个三角网格的顶点计算初始黎曼度量半径。其中,黎曼度量(circlepacking)半径计算公式为:
其中,lij为三角网格的边eij的边长,lik和ljk以此类推。而半径计算子单元计算的初始黎曼度量半径(也就是顶点vi处的黎曼度量半径,初始圆模式半径)为:
半径计算子单元通过曲面原有的三角剖分度量计算得到该点所对应的黎曼度量。
反转距离计算子单元用于依据初始黎曼度量半径以及对应三角网格的边长计算每个网格边的反转距离。反转距离I为黎曼度量中的两圆圆心所在的三角网格边长的权值。网格边的反转距离可通过余弦定理计算得到,其计算公式为:
在共形映射的过程中,只改变圆模式半径的大小,但保持每个边的反转距离不变。
曲率计算子单元用于依据反转距离计算三角网格的内角,并依据内角计算每个顶点的离散高斯曲率。在离散情形下,每一个三角剖分的顶点的角度值可以由其边长的余弦定理计算得出,内角计算公式为:
离散高斯曲率为曲面上顶点所邻接的三角面片的差分角,因此对于曲面内的顶点,差分角为该顶点周围的角度之和与2π的差值,而对于边界顶点,差分角为顶点周围的角度之和与π的差值。离散高斯曲率计算公式为:
在离散情形下,曲面上各点的高斯曲率可以是任意值,但是曲面的总曲率在变化过程中保持不变,如下式所示,
其中,Aijk为曲面上由顶点vi、vj、vk所形成三角面片的面积,λ为曲面所在几何背景下所对应的常数,当曲面在欧式背景下时,λ=0,当曲面在双曲几何背景下时,λ=-1,χ(M)为曲面的欧拉示性数。曲率计算子单元通过曲面原有的三角剖分度量计算得到该点的高斯曲率。
度量长度计算子单元用于依据初始高斯曲率以及目标曲率之间的差值调整圆的半径,进而依据新的圆半径、相邻点圆半径和该两圆心所在边的反转距离算出当前三角网格度量的边长,并算出各顶点的角度。
顶点初始能量值为对每点所定义初始圆模式半径取对数值,初始能量值计算公式为:
ui=logγi
根据初始高斯曲率的大小以及目标曲率之间的差值,改变每点能量值的大小,从而改变每点圆的半径大小,如下式所示:
u′i=ui+(K′-K)
其中,为实现将曲面共性映射至二维平面圆形区域中,因此使目标高斯曲率K′=0。
通过新的圆模式的半径大小、相邻点原模式的大小以及两点所在边反转距离,可反推出当前三角网格度量的边长,也就是各点能量最小、最接近目标曲率值时各点三角网络边长,其计算公式为:
由推算出新的平面度量的长度,可以再次计算出当前各顶点角度值。
度量长度计算子单元通过初始高斯曲率与用户所设定的高斯曲率之间的差值,改变黎曼度量,从而实现曲面网格度量的共形改变。此时,曲面上各点的能量值达到最优,也就是说,由计算后所得出的黎曼度量所诱导的平面度量与原三维三角网格度量共形等价,最后根据最终黎曼度量重新计算出三角网格的边长与角度值,实现曲面的嵌入。
遍历子单元用于控制上述各子单元对人脸曲面上所有顶点进行遍历,得到与三维人脸模型中的三角网格度量共形等价的平面度量,并将平面度量按照三角网格边角关系嵌入二维平面圆形区域中,得到经过共形映射后的人脸图像。
能量值提取单元用于分别算出第一人脸图像和第二人脸图像的平面模型中每个三角网格顶点在共形计算中产生的能量值,进而得到每个三角网格顶点的多个能量值中的能量最小值。
在完成共形映射后,原有的三维人脸曲面已被映射至二维平面圆盘中,原三维曲面上的各点的高斯曲率,即差分角,已通过Ricci曲率流降转化为该点所邻接的三角形各个顶点的角度值中。通过提取映射后平面模型中每个顶点的能量值,来构造顶点能量最小模式(Vertex Energy Minimal Pattern,VEMP),进而完成人脸模型的特征提取。
具体的,在一种实施方式中,能量值提取单元为算出的三角网格顶点的能量值进行编码并分别分配权值,依据权值以及不同的编码顺序算出三角网格顶点的多个初始顶点能量值,以多个初始顶点能量值中的最小值作为三角网格顶点的能量最小值。
在三角网格剖分中,每一个顶点可能邻接有n个三角面片,故与原顶点所邻接的顶点为2n个。以中心顶点完成共形映射后的能量值u0(黎曼度量半径的对数形式)为阈值,构造其顶点能量单元,相邻的2n个顶点的能量值分别为u1,u2…u2n,若顶点所邻接的某个顶点的能量值大于等于中心顶点u0的能量值,则将其编码为1,小于中心顶点的能量值则编码为0。能量编码的计算公式为:
T≈(S(u1-u0),S(u2-u0)…S(u2n-u0))
在得到各顶点所邻接顶点的能量值后,将所有的S(u)生成一个二进制的顶点能量编码,再对其中的每个编码S(u)分配权值2i,将二进制编码转化为十进制数值,生成其初始顶点能量值(Vertex Energy Pattern,VEP):
由于三角面片所邻接的顶点较多,针对各个顶点所提取到能量值若采取不同的编码顺序会产生不同的定点能量编码,因此计算所有能量值所产生的二进制编码并取其最小值,作为最终特征,即顶点能量最小值模式(Vertex Energy Minimal Pattern,VEMP),其计算公式为:
VEMP=min{VEPi|i=1,2…,2n}
卡方统计单元用于依据第一人脸图像和第二人脸图像各顶点的能量最小值生成能量特征直方图,通过计算并比较能量特征直方图的卡方统计量,来判断第一人脸图像和第二人脸图像的相似度,进而得到比对结果。
在完成共形映射后,并在使用前述VEMP算法提取到人脸曲面各点的能量值后,统计并生成其所特有的能量特征直方图,不同模型所产生的特征直方图有明显差异,以此来识别两个人脸图像是否相同。其中直方图的横轴表示能量值大小,纵轴表示该能量值对应的出现频次。
卡方统计量是指数据的分布与所选择的预期或假设分布之间的差异的度量,能够用于计算证件读取器从身份数据库中提取出相应的三维人脸图像与视频信息采集设备采集的持证人的三维人脸视频画面的相似度,在相似度满足设定阈值时即可判定两者的比对结果为:确定持证人是证件的所有者;而在相似度未能满足设定阈值时判定两者的比对结果为:确定持证人不是证件的所有者。
本实施例针对传统三维人脸识别算法在降维过程中,会在不同程度上造成三维人脸模型信息丢失的情况,通过使用基于Ricci曲率流的计算共形几何方法,将三维人脸模型共形映射至二维平面圆形区域中,且该运算方式在映射的过程中会将人脸曲面各点的高斯曲率角度值转化至各点所邻接的三角网格度量之中,保证了在映射过程中三维人脸曲面的几何信息被较好的保留,为后续的识别过程提供了完备的信息资源。并且,在使用Ricci曲率流完成共形映射后的结果与原有三维人脸曲面模型之间因维度改变而产生的形变很小,以成功地将三维人脸模型中的几何信息转化至二维平面圆盘中。在完成共形映射后,通过设置能量圆形区域,提取模型中各个三角面片中的几何数据,通过统计整个人脸曲面在共形映射过程中整个人脸曲面上各能量值的大小变化,产生特征直方图,通过生成特征直方图完成特征提取,并在最后使用卡方统计完成待匹配人脸模型(三维人脸视频画面)与标准人脸数据库中人脸模型(三维人脸图像)的识别过程;另外,即使三维人脸视频画面的光照度不同,生成的能量特征直方图也没有产生明显差异,使得***能够在不受光照度影响的情况下正确识别人脸,提高了***对光照的鲁棒性。
下面参考图2详细描述本申请公开的人证合一查验方法实施例。本实施例用于实施前述的人证合一查验***实施例。如图2所示,本实施例公开的方法包括如下步骤:
步骤100,读取持证人所持证件包含的身份信息并进行识别,依据识别结果从身份数据库中提取出预先登记的二维人脸图像;
步骤200,实时采集持证人的三维人脸视频画面,三维人脸视频画面包括二维人脸视频画面以及相应的人脸深度信息;
步骤300,将采集的二维人脸视频画面和预先登记的二维人脸图像进行比对;
步骤400,在二维图像比对结果表明两者符合匹配条件的情况下,基于预先登记的二维人脸图像以及相应的人脸深度信息生成三维人脸图像并进行登记;
步骤500,在对持证人进行查验时,依据对读取到身份信息进行识别得到的识别结果从身份数据库中提取出相应的三维人脸图像,并将该三维人脸图像与查验时视频信息采集设备采集的持证人的三维人脸视频画面进行比对,依据三维图像比对结果判断持证人是否为证件所有者。
在一种实施方式中,在步骤300中将采集的二维人脸视频画面和预先登记的二维人脸图像进行比对之前,从采集的二维人脸视频画面中提取出人脸框面积最大的人脸画面作为比对的目标图像。
在一种实施方式中,步骤300中,将采集的二维人脸视频画面和预先登记的二维人脸图像进行比对包括:分别从采集的二维人脸视频画面和预先登记的二维人脸图像中的提取具有面部代表性的特征点,并通过特征点的匹配,进行二维人脸视频画面和二维人脸图像之间的配准;
并且,步骤400中,基于预先登记的二维人脸图像以及相应的人脸深度信息生成三维人脸图像并进行登记包括:根据配准后二维人脸视频画面和二维人脸图像之间的特征点对应关系,将人脸深度信息对应到二维人脸图像上,从而将身份数据库中登记的二维人脸图像补录为三维人脸图像。
在一种实施方式中,步骤500中,将三维人脸图像与查验时视频信息采集设备采集的持证人的三维人脸视频画面进行比对包括:
基于里奇曲率流将三维人脸图像的人脸模型共形映射到二维平面圆形区域得到第一人脸图像,以及将三维人脸视频画面的人脸模型共形映射到二维平面圆形区域得到第二人脸图像;
分别算出第一人脸图像和第二人脸图像的平面模型中每个三角网格顶点在共形计算中产生的能量值,进而得到每个三角网格顶点的多个能量值中的能量最小值;
依据第一人脸图像和第二人脸图像各顶点的能量最小值生成能量特征直方图,通过计算并比较能量特征直方图的卡方统计量,来判断第一人脸图像和第二人脸图像的相似度,进而得到比对结果。
在一种实施方式中,步骤500中,基于里奇曲率流将人脸图像的人脸模型共形映射到二维平面圆形区域包括:
依据人脸曲面的初始三角网格的边长以及每个三角网格的顶点计算初始黎曼度量半径;
依据初始黎曼度量半径以及对应三角网格的边长计算每个网格边的反转距离;
依据反转距离计算三角网格的内角,并依据内角计算每个顶点的离散高斯曲率;
依据初始高斯曲率以及目标曲率之间的差值调整圆的半径,进而依据新的圆半径、相邻点圆半径和该两圆心所在边的反转距离算出当前三角网格度量的边长,并算出各顶点的角度;
控制上述各子单元对人脸曲面上所有顶点进行遍历,得到与三维人脸模型中的三角网格度量共形等价的平面度量,并将平面度量按照三角网格边角关系嵌入二维平面圆形区域中,得到经过共形映射后的人脸图像。
在一种实施方式中,步骤500中,得到每个三角网格顶点的多个能量值中的能量最小值包括:
为算出的三角网格顶点的能量值进行编码并分别分配权值,依据权值以及不同的编码顺序算出三角网格顶点的多个初始顶点能量值,以多个初始顶点能量值中的最小值作为三角网格顶点的能量最小值。
在本文中,“第一”、“第二”等仅用于彼此的区分,而非表示它们的重要程度及顺序等。
本文中的模块、单元的划分仅仅是一种逻辑功能的划分,在实际实现时可以有其他的划分方式,例如多个模块和/或单元可以结合或集成于另一个***中。作为分离部件说明的模块、单元在物理上可以是分开的,也可以是不分开的。作为单元显示的部件可以是物理单元,也可以不是物理单元,即可以位于一个具体地方,也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于实时人脸识别的人证合一查验***,其特征在于,包括:
证件读取器,用于读取持证人所持证件包含的身份信息并进行识别,依据识别结果从身份数据库中提取出预先登记的二维人脸图像;
视频信息采集设备,用于实时采集持证人的三维人脸视频画面,所述三维人脸视频画面包括二维人脸视频画面以及相应的人脸深度信息;
二维图像比对模块,用于将所述采集的二维人脸视频画面和所述预先登记的二维人脸图像进行比对;
三维人脸登记模块,用于在二维图像比对结果表明两者符合匹配条件的情况下,基于所述预先登记的二维人脸图像以及相应的人脸深度信息生成三维人脸图像并进行登记;
三维人脸查验模块,用于在对持证人进行查验时,依据证件读取器对读取到身份信息进行识别得到的识别结果从身份数据库中提取出所述三维人脸登记模块登记的三维人脸图像,并将该三维人脸图像与查验时视频信息采集设备采集的持证人的三维人脸视频画面进行比对,依据三维图像比对结果判断持证人是否为证件所有者;
其中,所述三维人脸查验模块包括:降维映射单元,用于基于里奇曲率流将所述三维人脸图像的人脸模型共形映射到二维平面圆形区域得到第一人脸图像,以及将所述三维人脸视频画面的人脸模型共形映射到二维平面圆形区域得到第二人脸图像;能量值提取单元,用于分别算出所述第一人脸图像和所述第二人脸图像的平面模型中每个三角网格顶点在共形计算中产生的能量值,进而得到每个三角网格顶点的多个能量值中的能量最小值;卡方统计单元,用于依据所述第一人脸图像和所述第二人脸图像各顶点的能量最小值生成能量特征直方图,通过计算并比较所述能量特征直方图的卡方统计量,来判断所述第一人脸图像和所述第二人脸图像的相似度,进而得到所述比对结果。
2.如权利要求1所述的***,其特征在于,所述二维图像比对模块分别从所述采集的二维人脸视频画面和所述预先登记的二维人脸图像中提取具有面部代表性的特征点,并通过所述特征点的匹配,进行所述二维人脸视频画面和所述二维人脸图像之间的配准;并且,
所述三维人脸登记模块根据所述配准后所述二维人脸视频画面和所述二维人脸图像之间的特征点对应关系,将所述人脸深度信息对应到所述二维人脸图像上,从而将身份数据库中登记的所述二维人脸图像补录为所述三维人脸图像。
3.如权利要求1所述的***,其特征在于,所述降维映射单元包括:
半径计算子单元,用于依据人脸曲面的初始三角网格的边长以及每个所述三角网格的顶点计算初始黎曼度量半径;
反转距离计算子单元,用于依据所述初始黎曼度量半径以及对应三角网格的边长计算每个网格边的反转距离;
曲率计算子单元,用于依据所述反转距离计算所述三角网格的内角,并依据所述内角计算每个顶点的离散高斯曲率;
度量长度计算子单元,用于依据初始离散高斯曲率以及目标曲率之间的差值调整圆的半径,进而依据新的圆半径、相邻点圆半径和该两圆心所在边的反转距离算出当前三角网格度量的边长,并算出各顶点的角度;
遍历子单元,用于控制上述各子单元对人脸曲面上所有顶点进行遍历,得到与三维人脸模型中的三角网格度量共形等价的平面度量,并将平面度量按照三角网格边角关系嵌入二维平面圆形区域中,得到经过共形映射后的人脸图像。
4.如权利要求1或3所述的***,其特征在于,所述能量值提取单元为算出的所述三角网格顶点的能量值进行编码并分别分配权值,依据权值以及不同的编码顺序算出所述三角网格顶点的多个初始顶点能量值,以所述多个初始顶点能量值中的最小值作为所述三角网格顶点的能量最小值。
5.一种基于实时人脸识别的人证合一查验方法,其特征在于,包括:
读取持证人所持证件包含的身份信息并进行识别,依据识别结果从身份数据库中提取出预先登记的二维人脸图像;
实时采集持证人的三维人脸视频画面,所述三维人脸视频画面包括二维人脸视频画面以及相应的人脸深度信息;
将所述采集的二维人脸视频画面和所述预先登记的二维人脸图像进行比对;
在二维图像比对结果表明两者符合匹配条件的情况下,基于所述预先登记的二维人脸图像以及相应的人脸深度信息生成三维人脸图像并进行登记;
在对持证人进行查验时,依据证件读取器对读取到身份信息进行识别得到的识别结果从身份数据库中提取出在前一步骤中登记的三维人脸图像,并将该三维人脸图像与查验时采集的持证人的三维人脸视频画面进行比对,依据三维图像比对结果判断持证人是否为证件所有者;
其中,所述将该三维人脸图像与查验时采集的持证人的三维人脸视频画面进行比对包括:
基于里奇曲率流将所述三维人脸图像的人脸模型共形映射到二维平面圆形区域得到第一人脸图像,以及将所述三维人脸视频画面的人脸模型共形映射到二维平面圆形区域得到第二人脸图像;
分别算出所述第一人脸图像和所述第二人脸图像的平面模型中每个三角网格顶点在共形计算中产生的能量值,进而得到每个三角网格顶点的多个能量值中的能量最小值;
依据所述第一人脸图像和所述第二人脸图像各顶点的能量最小值生成能量特征直方图,通过计算并比较所述能量特征直方图的卡方统计量,来判断所述第一人脸图像和所述第二人脸图像的相似度,进而得到所述比对结果。
6.如权利要求5所述的方法,其特征在于,所述将所述采集的二维人脸视频画面和所述预先登记的二维人脸图像进行比对包括:分别从所述采集的二维人脸视频画面和所述预先登记的二维人脸图像中提取具有面部代表性的特征点,并通过所述特征点的匹配,进行所述二维人脸视频画面和所述二维人脸图像之间的配准;
并且,所述基于所述预先登记的二维人脸图像以及相应的人脸深度信息生成三维人脸图像并进行登记包括:根据所述配准后所述二维人脸视频画面和所述二维人脸图像之间的特征点对应关系,将所述人脸深度信息对应到所述二维人脸图像上,从而将身份数据库中登记的所述二维人脸图像补录为所述三维人脸图像。
7.如权利要求5所述的方法,其特征在于,基于里奇曲率流将人脸图像的人脸模型共形映射到二维平面圆形区域包括:
依据人脸曲面的初始三角网格的边长以及每个所述三角网格的顶点计算初始黎曼度量半径;
依据所述初始黎曼度量半径以及对应三角网格的边长计算每个网格边的反转距离;
依据所述反转距离计算所述三角网格的内角,并依据所述内角计算每个顶点的离散高斯曲率;
依据初始离散高斯曲率以及目标曲率之间的差值调整圆的半径,进而依据新的圆半径、相邻点圆半径和该两圆心所在边的反转距离算出当前三角网格度量的边长,并算出各顶点的角度;
对人脸曲面上所有顶点进行遍历,得到与三维人脸模型中的三角网格度量共形等价的平面度量,并将平面度量按照三角网格边角关系嵌入二维平面圆形区域中,得到经过共形映射后的人脸图像。
8.如权利要求5或7所述的方法,其特征在于,所述得到每个三角网格顶点的多个能量值中的能量最小值包括:
为算出的所述三角网格顶点的能量值进行编码并分别分配权值,依据权值以及不同的编码顺序算出所述三角网格顶点的多个初始顶点能量值,以所述多个初始顶点能量值中的最小值作为所述三角网格顶点的能量最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944252.2A CN110866442B (zh) | 2019-09-30 | 2019-09-30 | 基于实时人脸识别的人证合一查验***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944252.2A CN110866442B (zh) | 2019-09-30 | 2019-09-30 | 基于实时人脸识别的人证合一查验***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866442A CN110866442A (zh) | 2020-03-06 |
CN110866442B true CN110866442B (zh) | 2021-06-04 |
Family
ID=69652687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910944252.2A Active CN110866442B (zh) | 2019-09-30 | 2019-09-30 | 基于实时人脸识别的人证合一查验***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866442B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111329442A (zh) * | 2020-03-16 | 2020-06-26 | 广东小天才科技有限公司 | 一种视力健康检测方法及装置、电子设备 |
CN112580436B (zh) * | 2020-11-25 | 2022-05-03 | 重庆邮电大学 | 一种基于黎曼流形坐标对齐的脑电信号域适应方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764140A (zh) * | 2018-05-29 | 2018-11-06 | 中北大学 | 一种基于Ricci曲率流的三维人脸识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206515838U (zh) * | 2016-09-07 | 2017-09-22 | 上海微桥电子科技有限公司 | 一种人证合一仪 |
CN108052814A (zh) * | 2017-12-07 | 2018-05-18 | 四川大学 | 一种3d身份验证*** |
CN109670487A (zh) * | 2019-01-30 | 2019-04-23 | 汉王科技股份有限公司 | 一种人脸识别方法、装置及电子设备 |
CN110020601B (zh) * | 2019-03-06 | 2023-08-22 | 创新先进技术有限公司 | 一种三维人脸留底注册方法、装置、终端及服务器 |
-
2019
- 2019-09-30 CN CN201910944252.2A patent/CN110866442B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764140A (zh) * | 2018-05-29 | 2018-11-06 | 中北大学 | 一种基于Ricci曲率流的三维人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110866442A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9141844B2 (en) | System and method for three-dimensional biometric data feature detection and recognition | |
Berretti et al. | Matching 3D face scans using interest points and local histogram descriptors | |
AU2004271639B2 (en) | Systems and methods for biometric identification using handwriting recognition | |
Dagnes et al. | Occlusion detection and restoration techniques for 3D face recognition: a literature review | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
Islam et al. | A review of recent advances in 3D ear-and expression-invariant face biometrics | |
Zhou et al. | An efficient 3-D ear recognition system employing local and holistic features | |
CN107909031B (zh) | 一种犯罪现场指纹纹线遗留区域频度动态重建方法 | |
Diwakar et al. | An extraction and recognition of tongue-print images for biometrics authentication system | |
Bhanu et al. | Human ear recognition by computer | |
CN102542243A (zh) | 一种基于lbp图像和分块编码的虹膜特征提取方法 | |
Krishneswari et al. | A review on palm print verification system | |
CN110866442B (zh) | 基于实时人脸识别的人证合一查验***和方法 | |
Bai et al. | Person recognition using 3-D palmprint data based on full-field sinusoidal fringe projection | |
CN110222660B (zh) | 一种基于动态与静态特征融合的签名鉴伪方法及*** | |
Zhang et al. | Efficient 3D dental identification via signed feature histogram and learning keypoint detection | |
CN106778491B (zh) | 人脸3d特征信息的获取方法及设备 | |
JP2015162012A (ja) | 顔照合装置及び顔照合方法並びにプログラム | |
Zhang et al. | Deep dense multi-level feature for partial high-resolution fingerprint matching | |
Zhang et al. | Face recognition using SIFT features under 3D meshes | |
Jain | Automatic Fingerprint Matching Using Extended Feature Set | |
Yan et al. | A novel bimodal identification approach based on hand-print | |
Radouane et al. | Fusion of Gabor filter and steerable pyramid to improve iris recognition system | |
CN116386121B (zh) | 一种基于电网安全生产的人员识别方法和装置 | |
Dua'a Hamed et al. | Finger knuckle recognition, a review on prospects and challenges based on PolyU dataset |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |